Intro
文章提出了一种基于卡尔曼的分解算法，在等速收缩下（isokinetic contraction），比原始的 CKC 算法和 cyclostationary CKC 算法能够分解出更多的 MU。
发放模式由论文A. Fuglevand, D. Winter, and A. Patla, ‘‘Models of recruitment andrate coding organization in motor-unit pools,’’ 提供理论支撑。总共假设200个MU在表面电极的检测体积中是活性的。招募时，MU开始以8 Hz的频率放电，并在最大肌肉兴奋时将放电频率线性增加到35 Hz。MU间期变异性呈正态分布，变异系数设置为20%。MU招募顺序呈指数分布，有许多低阈值MU，高阈值MU逐渐减少。最后一个MU是在最大肌肉兴奋度的80%时招募的。模拟了10%和30%的静止肌肉兴奋，每次收缩分别产生105和155个活动MU。
在动态肌肉收缩以及严重肌肉疲劳的情况下，MUAP会随时间变化，这增加了EMG分解对单个MU贡献的复杂性。
已经提出了不同的策略来应对这一挑战[14]，[17]。它们都包括某种MU跟踪。例如，动态肌肉收缩可以在时间上重复，从而产生循环平稳的MUAP形状。在[17]中，该属性被用来更新不同收缩重复的MU滤波器估计值，从而成功地跟踪了重复动态条件下的MU发射模式。
在这项研究中，我们通过MU滤波器预测的能力扩展了EMG混合模型跟踪。我们首先通过线性外推之前记录的MUAP变化来证明MU滤波器预测的能力。随后，我们提出了在动态肌电条件下基于卡尔曼滤波器的MU滤波器更新方法。我们通过模拟的、已知的MU发射与实验记录的MUAP卷积，证明了这种提出的方法在肱二头肌动态收缩方面的效率。我们将提出的分解方案应用于具有不同噪声水平和不同肌肉收缩速度的模拟EMG信号。
然后，我们根据内部参数选择系统地测试了所提出的基于卡尔曼的MU滤波器更新方案。最后，我们将本文提出的分解方法与之前发表的用于等长肌肉收缩的卷积核补偿算法[8]、[18]以及最近提出的用于重复动态收缩的循环平稳CKC算法[17]进行了比较。
在动态肌肉收缩过程中，这些变化是渐进且连续的。如果我们能够追踪甚至预测这些变化，即便仅依据用于构建运动单位滤波器（公式（6））的F个样本长度的运动单位动作电位（MUAP）片段，我们也能够预测最优运动单位滤波器的变化，从而改进动态条件下对运动单位发放序列的估计。
就是说 MUAP 变化是分段线性的，因此分离向量变化也是连续的。
KRAMBERGER 等人研究发现 MUAP 变化是分段线性的，因而能够通过线性外推来预测其他收缩水平下 MUAP，然后基于预测的 MUAP 变化，设计了一个卡尔曼滤波器来生成不同肌肉收缩水平下的分离向量，从而识别该收缩状态下的发放序列。在肌肉匀速动态收缩下，该方法获得了比原始 CKC 算法以及 cyclostationary CKC 更好的分解效果。
the MUAPs at other contraction levels could be predicted through linear extrapolation. Then, a Kalman filter was designed to track the separation filters at different muscle contraction levels based on the predicted changes of MUAPs.